• Saltar a la navegación principal
  • Saltar al contenido principal
  • Saltar a la barra lateral principal
  • Saltar al pie de página

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Criptografía
  • Python
  • Matlab
  • R
  • Herramientas
  • Tienda

¿Conoces el lenguaje de programación Julia?

septiembre 24, 2018 Por Daniel Rodríguez Deja un comentario

Este verano se anunció en lanzamiento del lenguaje de programación Julia 1.0. Este hito supone la culminación de casi una década de trabajo para conseguir un lenguaje de programación ambicioso. En el año 2012 los autores del lenguaje Jeff Bezanson, Stefan Karpinski, Viral Shah, y Alan Edelman comentaron que llevaban trabajando en Julia durante tres años. Estaban cansados de tener que cambiar entre Matlab, Lisp, Python, Ruby, Perl, Mathematica, R y C. Por lo que desean tener u único lenguaje de programación que fuese bueno para el cálculo científico, aprendizaje automático, minería de datos, álgebra lineal, computación paralela y computación distribuida.

El lenguaje de programación Julia ha sido diseñado para disponer de las ventajas de un lenguaje dinámico con el rendimiento de un lenguaje compilado. Esto se consigue en parte gracias a la utilización de un compilador JIT (just-in-time) basado en LLVM (Low Level Virtual Machine) que permite generar código máquina nativo.

Julia es un lenguaje de programación muy atractivo para los científicos de datos, estadísticos y analistas financieros. Ofreciendo un lenguaje de programación fácil de aprender que ofrece un gran rendimiento. En su contra se encuentra su juventud, por lo que no se encuentran disponibles la cantidad de librerías que se puede encontrar actualmente en los lenguajes más populares como R, Python o Matlab.

En 2015 los diseñadores del Julia fundaron la compañía Julia Computing que mantienen actualmente los repositorios de código abierto. Además de desarrollar productos comerciales que faciliten la utilización de Julia y la implementación.

¿Por qué aprender Julia?

El objetivo de los diseñadores del lenguaje de programación Julia es crear una combinación sin precedentes de facilidad de uso, potencia y eficiencia en un único lenguaje. En cuanto a la eficiencia se puede consultar la siguiente gráfica extraída de la web del proyecto.

Julia Micro-Benchmarks
Julia Micro-Benchmarks, fuente: https://julialang.org/benchmarks/

En esta figura se muestra el rendimiento de 8 algoritmos diferentes en Julia y otros 12 lenguajes de programación. Indicando el benchmark un mayor rendimiento cuando su valor es menor. En el gráfico el rendimiento se toma en relación al valor de C, al que se le asigna un valor de 1. Los lenguajes a la derecha de Julia se han ordenado utilizando la media geométrica de los benchmark.

A la vista de los resultados se puede observar que Julia es uno de los lenguajes más rápidos, siendo incluso más rápido que C en ciertas situaciones. Este rendimiento no se puede conseguir con otros lenguajes de alto nivel como Matlab, Python o R.

El rendimiento se consigue gracias a la utilización de un compilador JIT en lugar de un intérprete. Lo que significa que la primera ejecución del código es más lenta ya que el compilador ha de analizar y compilar el código. Pudiendo significar un desventaja en ciertas ocasiones respecto a otros lenguajes.

Los usuarios de Julia indica que es tan fácil de usar como puede ser Python, R o Matlab.

Conclusiones

El anuncio de lanzamiento de Julia 1.0 durante el verano de 2018 puede suponer un punto de inflexión. Julia ya es un lenguaje de programación interesante no solo para los científicos de datos, sino que para cualquier interesado en el cálculo científico. El éxito o fracaso de Julia se encuentra ahora en manos de los usuarios que pueden adoptar o no este interesante proyecto.

Imágenes: Pixabay|julialang.org

No te olvides valorar esta entrada

Puntuación: 4.0/5. 1 voto.
Por favor espera...

Archivado en: Julia

Entrada anterior: « ¿Qué es Small Data?
Siguiente entrada: Configurar la máquina virtual de Java en R »

Interacciones del lector

Deja un comentario Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones de Analytics Lane.

Contenido relacionado

Barra lateral primaria

Tiendas afiliadas

Realiza tus compras mediante los enlaces y colabora con la web, todo sin coste adicional para ti. También puedes ver nuestra tienda. ¡Gracias!
Aliexpress Amazon Banggood Gearbest

Seguir a Analytics Lane

  • twitter
  • pinterest
  • youtube
  • telegram
  • github
  • rss

Seguir en Feedly

follow us in feedly

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones de Analytics Lane.

Política de Privacidad

Lo mejor valorado

  1. Seleccionar filas y columnas en Pandas con iloc y loc
    Puntuación: 5.0/5. 5 votos.
  2. Unir y combinar dataframes con pandas en Python
    Puntuación: 5.0/5. 5 votos.
  3. Eliminar registros duplicados en pandas
    Puntuación: 5.0/5. 5 votos.
  4. Guardar y leer archivos Excel en Python
    Puntuación: 5.0/5. 4 votos.
  5. Archivos JSON con Python: lectura y escritura
    Puntuación: 4.8/5. 8 votos.

Entradas recientes

  • Numpy básico: como invertir arrays de Numpy diciembre 11, 2019
  • ¿Bajar impuestos para crecer más o crecer más para bajar impuestos? diciembre 9, 2019
  • Copias de seguridad de SQL Server con Microsoft SQL Server Management Studio diciembre 6, 2019
  • Numpy básico: inicializar arrays de Numpy con un valor diciembre 4, 2019
  • Bajar impuestos para crecer más diciembre 2, 2019

Comentarios recientes

  • Daniel Rodríguez en Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas
  • Axel Caballero en Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas
  • Daniel Rodríguez en Reglas de asociación y market-basket analysis
  • eva en Reglas de asociación y market-basket analysis
  • Daniel Rodríguez en Proteger las funciones escritas en Matlab para su distribución

Etiquetas

Anaconda Analytics Lane App Designer Bases de datos Blockchain CLV Computación cuántica Criptomonedas Deep learning Elecciones Excel Git GUIDE Hash Java Jupyter Libros Machine learning Marketing node numpy pandas Precios RapidMiner scikit-learn seaborn series temporales Small Data Spark SQL Unit testing VirtualBox

Footer

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Noticias
  • Opinión

Programación

  • JavaScript
  • Julia
  • Matlab
  • Python
  • R

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Tienda

Afiliados

  • AliExpress
  • Amazon
  • BangGood
  • GearBest
  • GearVita
  • Geekbuying
  • JoyBuy

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

2018-2019 Analytics Lane · Términos y condiciones · Política de Cookies · Política de Privacidad · Herramientas de privacidad · Contacto